درجه بندی کیفی آلو خشک با استفاده از سامانه بینایی رایانه ای و الگوریتم های یادگیری ماشین

آلو یکی از میوه های مغذی و محبوب در کشور ایران محسوب می شود. بسته به کیفیت میوه تازه قبل از برداشت و چگونگی فرایند خشک شدن، درجات کیفی مختلفی از این میوه به صورت آلو خشک تولید می شود. در این پژوهش از یک سامانه بینایی رایانه ای و الگوریتم های یادگیری ماشین به منظور طبقه بندی آلو خشک به سه درجه کیفی مختلف استفاده شد. ویژگی های مختلف رنگی، شکلی و بافتی از تصاویر نمونه های آلو خشک استخراج شدند و به صورت مجزا و در ترکیب با همدیگر برای توسعه الگوریتم های طبقه بندی شبکه های عصبی پرسپترون چندلایه (MLP)، ماشین بردار پشتیبان (SVM)، آنالیز تشخیصی خطی (LDA)، و درخت تصمیم (DT) استفاده شدند. به منظور کاهش تعداد ویژگی ها و استخراج ویژگی های مهم تر از روش انتخاب ویژگی انتخاب ویژگی مبتنی بر همبستگی (CFS) استفاده شد. نتایج نشان داد که ترکیب ویژگی های مختلف استخراج شده از تصویر در مقایسه با ویژگی های رنگی، بافتی یا مورفولوژیکی به صورت مجزا، باعث افزایش دقت طبقه بندی می شود. در این راستا، مدل DT از نوع جنگل تصادفی (RF) با استفاده از ترکیب ویژگی های تصویر و الگوریتم انتخاب ویژگی CFS دارای بیشترین دقت طبقه بندی در مراحل آموزش و ارزیابی بود. مقادیر مجذور میانگین مربعات خطا (RMSE) و دقت مدل CFS-DT به ترتیب در مرحله آموزش برابر با 1958/0 و 75/93 درصد، و در مرحله ارزیابی برابر با 2110/0 و 67/91 درصد به دست آمدند. با توجه به این پارامترهای عملکردی و ماهیت سامانه های بینایی رایانه ای، می توان از نتایج حاصل از این پژوهش جهت توسعه یک سامانه دقیق، سریع و ارزان جهت درجه بندی کیفی آلو خشک استفاده کرد.